Badacze wychodzą z założenia, że sposób, w jaki dzielimy teritorium do analizy, ma większe znaczenie niż algorytm, którym się posługujemy. Zamiast tradycyjnego podejścia, które nakłada uniformne siatki na tereny badań, opracowali algorytm nienadzorowanego podziału oparty na rzeczywistych wzorcach rozprzestrzeniania się pożarów. Metoda łączy detekcję zlewni z klastrowaniem K-means, tworząc naturalnie wyodrębnione strefy pożarów bezpośrednio z historycznych danych o igniacjach.
Testy przeprowadzone na sześciu francuskich departamentach z wykorzystaniem sześciu różnych modeli prognostycznych wykazały konsystentne przewagi segmentacji stref pożarów nad podejściami gridowymi. Poprawa metryki IoU wyniosła średnio 3-6 proc. w zależności od analizowanej skali przestrzennej. Algorytm okazał się jednocześnie obliczeniowo lekki - każda konfiguracja wymaga mniej niż 10 sekund - i w pełni parallelizowany, co czyni go praktycznym do wdrożenia w systemach ostrzegania.
Wyniki sugerują, że zamiast szukać coraz bardziej zaawansowanych modeli, opłaca się skupić na optymalizacji samego sposobu dyskretyzacji danych. To odkrycie może zmienić podejście do krótkoterminowego prognozowania pożarów lasów, wskazując że fundamentalna struktura danych wejściowych odgrywa rolę większą niż sama architektura modelu predykcyjnego.